TRANSFORMEZ VOS DONNEES EN EFFICACITE OPERATIONNELLE

Un exemple de l’apprentissage d’une IA, au fur à mesure des cycles de calcul le taux d’erreurs baisse et et résultat s’approche de la courbe cible

Plutôt que la dénomination d’intelligence artificielle, nous préférons le concept d’intelligence appliquée où la sélection des données en entrée et les bonnes pratiques d’un opérateur bien humain conditionne la précision du résultat.

L’IA devient un prolongement de l’analyse pour modéliser les règles qui conduisent au résultat escompté.

A partir des données des vente et des autres facteurs externes, météo, mouvements sociaux..

Prévoir le chiffre d’affaire qui sera réalisé dans les 3 mois qui suivent dans un secteur donné :

Neural Decision collecte , traite, enrichit les données sources. II s’agit dans cette phase de rajouter si nécessaire de la densité dans les données.

Le data scientist en charge du projet sélectionne une dizaine d’algorithmes susceptibles de fonctionner.

Voici les résultats :

Cas d’une société qui prend des commandes avec des contrats de maintenance associés.

7 % des clients résilient chaque année,mais les années passant on monte vite à 40 % des contrats initiaux qui sont résiliés.

Problème les commerciaux ne peuvent pas visiter l’ensemble des clients en 1 année. comment faire ?

Neural Decision utilise ici un algorithme de machine learning de classification binaire.

Collecte et enrichissement des données sources : catégorisation des clients, nombre de contacts avec la maintenance, nombre de mails, temps passé au téléphone…

Nous allons pouvoir déterminer les clients qui vont partir de ceux qui restent. les clients sont segmentés en deux classes.

L’IA va apprendre à reconnaitre les signes avant coureurs de la résiliation.

 Etude des données

Sur les 3333 Clients 14,5 % ont résilié, 85,5 % sont sous contrat.

Nous avons recueillis les informations suivantes :

– Catégorie de clients

– Montant du contrat de maintenance sur 5 exercices

– Nombre de jour du dernier contact avec le SAV

– Nombre de ticket de maintenance

– Nombre de ticket non resolu

Le modèle peut prédire avec 95 % de bonnes réponses qui va résilier et qui restera.

Le graphique ci-dessous montre la différence et terme de probabilité de trouver les clients

qui vont rester de ceux qui vont partir avec ou sans modèle.

But adresser les bonnes messages promotionnels aux clients.

Problème connaitre ses clients pour leur proposer les produits qui sont les plus succeptibles d’acheter. Par association ou voisinage comme le fait Amazon ou par une proximité de classe.

Le ratio d’un retour d’emailing est de 2 à 5 pour 1000, le ciblage est donc essentiel pour capter d’avantage l’attention.

En fonction des informations que vous connaissez des clients, il est possible de les classifier en catégories pour affiner les messages. Vous pensez ne pas avoir suffisamment de données, des solutions existent ! contactez-nous.

Le rôle de cette IA est d’identifier les souhaits des clients en fonction de la période de l’année. Par exemple qui va acheter une table de ping-pong ou un BBQ.

Le résultat est une table des confusions où on compare les classifications à la réalité.

Le taux d’erreur nous indique si la réponse donnée par le modele diffère beaucoup de la réalité.

Une fois que le modèle est entrainé, nous comparons ses résultats de classification avec le réel.-Ici sur 8195 tickets de caisse, le modèle prédit le comportement des acheteurs sur la catégorie de produits.–En résumé sur les 2 catégories les plus représentées, l’IA trouve 6929 sur 7501 articles.-Un excellent résultat qui surclasse largement la chance pure de trouver la classe.-L’efficacité du modèle est proche de 90 %–Par similarité, nous pouvons définir les intentions d’achat et orienter la campagne marketing